Бюджет размышлений меняет расклад сил между моделями: почему «подумай дольше» не всегда значит «отвечу лучше»

Обнаружено: модель даёт верный ответ при лимите 256 токенов и портит его же при лимите 1024 на той же самой задаче — это не округление, а системный сбой именно при увеличении места на рассуждение. Метод показывает: рейтинг 'какая модель лучше' временный — лидер меняется при смене лимита токенов, и это статистически значимо на всех трёх наборах задач. Модель не может откатиться назад в рассуждении — свернула не туда на середине пути, и каждый следующий токен только достраивает уже испорченную логику. На сложных многошаговых задачах до 25% случаев длинный ответ хуже короткого.